Ingénieur R&D - IA - Vision par Ordinateur H/F - 13

Pellenc ST conçoit et fabrique des machines de tri intelligent, destinées à l'industrie du recyclage. Engagés dans un monde en pleine évolution, nos ambitions se tournent aujourd'hui vers les nouvelles technologies telles que l'intelligence artificielle ou encore l'industrie 4.0 et les machines connectées.

Fort de plus de 2500 machines à travers le monde, nous oeuvrons et contribuons chaque jour, à la valorisation de nos déchets ainsi qu'à un environnement plus sain et durable pour demain. C'est dans ce contexte d'évolution et de passion que nous recherchons de nouveaux talents qui partagent nos ambitions, et qui souhaitent soutenir avec nous l'économie circulaire.En pleine expansion, notre entreprise innovante et dynamique recherche un(e) :
Stagiaire Ingénieur R&D / Intelligence artificielle - Vision par ordinateur (H/F)
Poste basé à Pertuis (84).

Sujet du stage:
Dans le cadre de nos travaux R&D, le stage portera sur l'étude et la mise en oeuvre de stratégies d'apprentissage actif (Active Learning) et faiblement supervisées (Weakly/Semi-supervised Learning) appliquées à la segmentation par instance.
L'objectif est de réduire le coût de l'annotation manuelle tout en maintenant des performances élevées des modèles de segmentation utilisés dans les machines de tri PELLENC ST.
Deux axes principaux seront développés et évalués sous PyTorch :
Implémentation de stratégies d'apprentissage actif (sélection d'échantillons informatifs, incertitude, diversité, entropie).
Intégration de méthodes faiblement ou semi-supervisées (pseudo-labeling, consistency regularization, teacher-student frameworks).

Missions principales :
Étudier l'état de l'art des approches d'apprentissage actif et de supervision faible pour la segmentation d'images.
Implémenter et adapter plusieurs stratégies sur des modèles de segmentation par instance existants (Mask R-CNN, RTMD et, etc.).
Concevoir un pipeline expérimental complet pour l'évaluation sur des datasets internes.
Analyser les performances selon différents niveaux d'annotation et stratégies d'échantillonnage.
Documenter les résultats et proposer des recommandations pour un passage à l'échelle industrielle.